NVIDIA全球副总裁：医疗将会是对计算能力需求最大的产业
2019-01-23 09:00
分享到微信
分享到微博
1月19日上午，在EmTech新兴科技峰会主题演讲上，NVIDIA医疗业务全球副总裁Kimberly Powell为大家全面解读了NVIDIA对虚拟影像超级电脑的展望，及其如何将人工智能结合到生物医疗领域，促进人工智能医疗的未来图景。在随后的专访中，Kimberly女士还为大家详尽介绍了NVIDIA Clara平台将为医疗行业带来怎样的促进作用，解决老旧设备难以快速执行应用程序的问题。
接下来，就为大家奉上Kimberly原汁原味的演讲全文：
Kimberly Powell：大家上午好！我看窗外觉得今天的天气特别好，麻省理工学院在2年前就请我到旧金山做演讲，到现在已经两年的时间了。在今天的演讲中，我将探讨如何在医疗行业应用AI。
在这几年期间，我们已经有了很多的进步。今天我也非常高兴能够为大家介绍我们所做出的进步，以及在医疗领域其他有潜力的开发成果。
我先跟大家说一下我们NVIDIA所做的一些努力。提到AI，我们会想到非常重要的数据，非常复杂的算法，以及计算的基础设施，这些都是非常重要的。
我们的公司在过去25年内做了哪些事儿呢？在1999年的时候，我们发明了GPU，我们也发明了其他的可编程工具，这些工具能够帮助我们创建出非常真实的虚拟世界。
比如说大家在游戏里面看到的所有东西都是由电脑生成的。我想很多人都打过游戏，打游戏的时候，每一天我们都在进步，我们每一天都在让炮火看起来更像炮火，烟尘看起来更像烟尘，头发看起来更像头发。我们在这方面做了大量的努力，而且也使用了很多的技术，做了很多的数学和物理分析，从而使我们的镜像或者图像看起来非常真实。所以你们在玩游戏或者看电影的时候，完全是浸入式的。
此外，我们也通过计算和进步，为科学带来了很大的贡献。比如说我们所使用的GPU工具可以更好的进行科学的计算。
我们和很多科学家进行合作，比如说他们会构建虚拟地球，通过虚拟地球我们可以知道地震是怎么发生的，最后是如何变化的；以及如何找到更多的石油。这里面还有很多非常重要的和健康相关的工作，也需要应用到我们的技术。
所以说，这些工作确确实实地让我们的技术得到了进一步的提高。我们帮助美国建立了世界上最大的超级大脑，在欧洲也有类似的项目，我们也非常希望在未来开发出更多更加让人振奋的应用场景。
我们有一个叫CUDA的模型，这个模型可以放在所有的设备上面，不管是游戏的GPU，还是数据库的GPU，或者是一些移动工具的GPU，我们其实在每个工具上面都可以使用这些数据。
我记得2011年的时候，当时我们的研究团队就发现神经网络已经越来越具有可行性了。因为我们现在有大量的数据，有了神经网络，我们所做的工作非常适合在GPU基础设施上实施。这就是我们为什么要选择深度学习来开发下一代AI。
深度学习可以帮助我们做很多的事情。有两个工业方面的例子要跟大家共同分享一下，这两个工业案例都从这个技术当中享受到了很多的益处。我们可以看到GPU能够为我们带来怎样的好处，能够如何帮助我们加速计算，以及如何更好的利用AI。
我们最近研究出了自主驾驶汽车，这对医学领域其实也是有很多好处的。在去年的时候，我们仅需启动车，只用语音进行控制，就可以进行自动驾驶了，根本就没有用手来进行驾驶，没有任何人类的干涉，就达到了77迈，然后走过了6个路口。
所以说，是我们的深度学习让这些成为了现实，除了深度学习之外，还有很多其它的技术也是非常重要的。
为了能够做到自动驾驶，并且使用我们的神经网络，我们还需要有更多的计算。NVIDIA发布过一篇调查文章，上面说：为了能够让汽车安全，我们可能需要收集几十亿英里的驾驶数据来确定汽车是否可以安全的驾驶，而这需要花费我们几十年，甚至几百年的时间。
我们怎么做呢？我们可以通过模拟来完成，因为我们有这样的能力来创造出一个非常逼真的虚拟世界。
我们可以在虚拟世界驾车，然后去模拟我们汽车的驾驶行为。而且这些驾驶行为在现实生活中可能非常的复杂，而且数据很难捕获。
我们走进车里就可以收集数据，我们可以看到这个车是这样的：它在探测我们的车道，然后会观察两边的空间以及距离，在这里就是我们的模拟，大家可以看出有哪一些是真实的视频，有哪一些是电脑生成的模拟图像呢？很难判断。
这是一个非常重要的成就，我们最近在CES的展览当中也发布了我们的全新平台，它已经正式的进入生产当中，有很多的自动驾驶汽车公司已经采用了我们的平台。所以说我们可以想象一下，人工智能可以做什么，人工智能又可以应用到哪些其他的产业当中？
我们使用无人驾驶的汽车来磨炼我们自己的人工智能的技术，然后再把这些技术拓展到其他的产业当中。我们再来看一下，我们在医疗产业做了什么，医疗产业当中我们一开始需要依赖很多的工具来收集人体当中的健康数据。可能很多人都知道医疗成像，医疗成像可以让我们看到我们人体当中的情况，但是这只是一个工具而已，我们现在也有了其他的工具，这些工具已经被广泛的使用了起来，同时他们也产生了更多的数据需求。
比如说我们通过基因学、DNA、细胞学，探究体内当中的细胞是什么样子。我们通过成像的方式进行诊断。除此以外，我们现在还有其他的一些设备，比如说我们的生物传感器。当然我今天没有带我自己的设备过来。
所以说，我们现在已经有了很多很复杂的数据。这些数据非常杂乱，而数量庞大。所以，这个时候我们就可以使用AI来解决这些计算问题。
医疗数据体量非常大，如果说想要记录下这些医疗数据的话，我们很难想象这些数据到底有多么庞大。比如说，在2017年获得诺奖的一台机器，可以帮助我们在原子的层面上记录我们的蛋白质数据，这是我们以前从来没有做到过的，如果没有见过体内的蛋白质是什么样的，我们很难了解真正的蛋白质。
这是一种新型的探测技术，可以帮助我们收集很多蛋白质的数据。每天我们可以收集超过3T的蛋白质数据。而且这个设备可以用在很多其他的医疗研究当中，例如基因组学，基因组学所创造出的数据会更多。
在接下来的几年里面，它所生成的数据会比Facebook、YouTobe所生成的数据总合还要多。我们还可以想象一下，在全世界的范围之内，我们所有的医院、供应商所产生的数据。此外，我们有很多的电子病例，还有我们的放射科。
实际上我们在全球已经看到了很多这样的新技术。而且我也到访过中国的医院，2018年是新技术在医疗方面使用的拐点，他们对于医院的影响也非常巨大。
AI研究也在医疗领域有了全新的发展，我们也看了很多不同的领域，我也跟大家提到过这些不同的可能性。
我们可以看到，它的总体发展曲线是这样的：医疗成像 - 基因组学 - 新药开发。可能他们的曲线和我们所看到的一般曲线不同，这也正是我想跟大家说的新机遇。
几年之前我也提到过医疗成像，也说过一些好的可能性，在这里我们想再看一下去年发生了什么。
我认为去年是放射科真正的拐点，我们在北美有一个ISA，我们现在有了越来越多的AI技术发布，我们有了更多的应用。我们有200多名放射学家参加了我们所提供的深度学习课程。
所以说，去年是一个真正的拐点。我在这里可以给大家展示一些我们关键的应用。大家想一下，我们如何在放射科当中使用AI呢？大家可能会想，也许AI可以帮助我们找到放射学家看不到的一些东西，既对也不对。
其实在总体的放射学当中，我们可以利用人工智能大幅的降低成本，提升图像的质量，并且将我们的医疗和人工智能整合到一起。
比如说佳能，针对于CT开发出了一个真正的AI实时算法，帮助我们缩短了成像的时间，而AI也帮助我们生成更多更加安全、准确的实时图像。这其中还有通用电气，通用电气也有自己的医疗业务，他们并不仅仅有算法，还可以帮助我们来优化工作流程。
他们可以探测我们是否有颅内出血，如果说出现了颅内出血，这个时候通用电气的机器就可以帮助我们放射科的医生重新安排自己的工作流程，调整工作的优先等级。根据我们症状的严重性，他们可以重新安排一个医生的工作顺序。更重要的是，使用这样的技术可以帮助我们拯救生命。
除此以外，西门子也有很多的技术突破，他们也有了一个新的AI陪伴平台，他们现在可以将AI使用到CT扫描当中，而且他们有了一个非常安全以及标准的人体测量平台。
使用传统的方法，我们的医生是没有办法在一张图片当中看到整个人体的情况，我们的放射科医生需要更多的帮助。除此之外，基因组学将会成为我们的主流。
今年第一次刚刚实现了人类基因组学最大范围的一次比赛。我们想要做到这一点需要很多很多的算力支持。我们可以看到在这组人群当中有哪些基因表象、特征；我们也可以看到老年痴呆有哪些基因特征，有哪些其他病症。
除此之外，我们也非常开心可以重塑药物开发的未来。实际上我们看到过很多的报告，报告当中提到了药物开发有哪些进步，我们的人工智能技术使用NOP以及我们的人工智能技术做出了很多的突破。
每一天都会有很多跟人工智能相关的文献发布。很多人都在讨论这项新技术，他们一直都在讨论如何使用AI来进行药物开发，Toptom也会研究蛋白质结构。他们对七万两千种蛋白质进行了比较，观察蛋白质之间互动是什么样子的。而且还有一个GANs深度学习的技术，它可以帮助我们创造化合物，他们已经创造出了五千种化合物。
我们的人工智能技术可以使用计算机视觉以及我们很多的排查技术，充分了解细胞当中的化合物，以及他们之间的相互关系；他们还使用高性能计算以及人工智能技术来了解新药开发当中的一些晶体是如何开发出来的。
另外，还有一个医药公司，他们也使用这样的新技术来了解药物毒性。比如说我们所要针对的疾病是什么样子的，我们应当使用什么样的化合物。这样可以帮助他们进行下一步非常昂贵的阶段，也就是临床实验。所以说，这也代表着人工智能在医疗产业使用的爆发。
我们的计算基础设施也帮助我们加速了整个发展。实际上我们可以做出很多的贡献，所有的工具都在不断地发展，而我们可以收集到的数据也越来越多、越来越好。我们需要思考如何将人工智能应用到这些数据的分析当中。
另外，我们如何真正实现精准医疗，使用人工智能，使用高性能计算机，或者模拟这样的技术，充分使用不同类型的数据，真正开发出定制性的医药。
所以我认为医疗产业将会是世界上对于计算能力需求最大的产业，而我们也有相关的工具，帮助我们实现这样的未来，谢谢大家！
Kimberly 专题访问
Clara的具体客户群是哪些？
目前Clara是一套SDK，可以在官网上免费下载。其次，对于初创公司来说，他们非常喜欢SDK，因为我们的Clara是分好几层的，对于初创公司而言他们只会关注最顶层的应用层，至于下面的编排层、执行层，如果让他们自己开发的话，其实成本是非常高的。Clara主要针对三大类型企业客户，第一是医疗设备公司，第二是人工智能软件开发公司，第三可能是那些拥有几百个应用的医院。对医疗设备公司而言，他们现在可能只是用到了Clara的第一层，但是他们用完了第一层以后，相信很快会提升到第二层甚至第三层的需求。
NVIDIA为各个领域的开发人员提供了至少有好几百个不同的SDK（软件开发套件），Clara只是这几百个中的一个，是给开发人员用的工具箱。
Clara运作的模式如何？
Clara的开发社区更多的是技术上的合作，商业推广弱一些。比如推想科技使用的是Clara里的推理引擎，实现并行执行多个人工智能算法。如果没有这个推理引擎，一个AI的模型就必须有一个专门的GPU执行。所以对于这家公司来说，用了Clara可以更快更有效的实现自己应用在医院的执行，用最少的硬件资源运行他们的人工智能应用。
在医院搭建这样一个平台，大致需要多少的成本？您认为什么样的医院需要这个平台的服务？
Clara不是作为一个单独的软件套件向医院销售的，而是通过NVIDIA的企业合作伙伴销售，因为它是作为一种应用安装在硬件系统里使用的，所以我们很难回答Clara单独的成本是多少。NVIDIA的硬件作为一种基本的器件几乎存在于所有计算的设备中，所以Clara使用的范围是广泛的，即使是你买的游戏显卡都可以支持Clara的运行。
Clara不仅适用于某种类型的医院，可能有的医院还没有意识到Clara的优势。他们会逐渐意识到，在计算设备采购方面，通过Clara平台，他可以购买任何计算机的硬件都可以做到三种不同类型的计算，对于他们来说益处很大。
我们说Clara平台的定位是针对医疗行业分层的软件堆栈。
国内外对Clara平台的使用情况有何差别？
不管在中国还是美国，他们对Clara平台的使用都是大同小异的，我先介绍一下Clara这个平台，Clara平台在结构上分成几个层，对客户来说，作为一家公司，他可以选择使用其中某一层，或者选择使用Clara平台提供的所有层。我们来看一下Clara平台的最底层，最基本的部分就是cuDNN（神经网络的执行层）；第二层是最近刚刚发布可用的，是我们的引擎，这个引擎能够使得多个AI的任务并行执行，因为我们知道现在人工智能的算法也越来越成熟，对于很多公司而言，他需要对这些人工智能的任务进行良好的管理。如果说中美客户在Clara的使用上有什么不同，有一个不同，美国客户在IT方面的成熟度略高一些，因此他可以在云端执行Clara，而这也是因为美国有数据匿名化的技术来实现Clara的云端执行。
同样的一套软件既可以在医院本地运行，也可以在云端运行，对于中国市场而言，我认为这样一种混合的运营环境的支撑是非常有优势的，因为我们知道可能在中国的一些比较偏远的省份或者农村地区，他们网络条件不好，无法获得这样的云服务，他们可以选择在本地执行；但是对于那些大城市而言，条件比较好，他们可以选择云端运行的方式。
现在在中国，有一些客户是用到了Clara平台中的某一层，更多的是神经网络的执行，但是我们现在正在和诸多中国医疗行业的企业洽谈有关更复杂的模型执行。
从长远来看，NVIDIA想通过Clara平台收获什么？
在医疗影像方面，我们并不希望计算、可视化以及人工智能三个不同的工作负载分别执行在不同的硬件上，我们希望一台计算机借由Clara就可以做三种不同的计算。对于Clara而言，NVIDIA的想法是软件+硬件，其实Clara也是NVIDIA对于未来智能设备的铺垫。因为我们认为，收集数据做事后分析很大程度上取决于你在什么设备上，什么时候收集的数据。事实上我们希望通过软件的创新赋能医疗设备，在硬件端会有智能的设备，同时我们配置软件开发的SDK，这意味着实现在医疗行业随时随地的计算。
未来针对Clara平台有什么改进的计划？这种改进是加强不同设备的数据连通还是有其他想法？
Clara本身是一套软件，目前发布的还是比较早期的版本，之后我们还会持续不断的为它提供支持。目前我们已经有了一些重点要改善Clara的地方，比如与外部的硬件系统之间的互联互通；比如我们已经决定要支持通讯协议；还有在Clara上增加更多加速的引擎，帮助初创企业以更快的速度做更多的工作，帮助他们加速方案的部署。同时我们正在做的还有学习知识的转让以及辅助式的功能。将学习到的这些经验知识转移，是非常重要的。因为我们知道在不同地区的医院，本身条件不一样，使用的设备也不一样。我们希望在某个医院设备上所分析出来的一些知识或者总结的结论，能够在本地做一个很好的总结，或者归纳，然后普及推广，而不是只把结果输出出去。因为医院不一样，可能结果并不是如实的反应，所以学习知识的转让很重要。
Clara SDK对3D、4D图像的训练能力有何提升？
在3D、4D影像训练方面确实有极大的速度提升，这得力于我们DGX-2的超级计算机，它可以实现多个内存，一方面实现更高的训练效率以处理大型数据级。另一方面，Tenser RT、Tesla T4的推出也大大提高了推理效果。对于医疗影像类型的数据而言，都是运算在NVIDIA的高端GPU上，这样我们的软件就可以对自己做一个调整之后更好的利用到硬件的能力。
Clara在容器抽象化方面的进展如何？
容器技术已经被广泛的适用于不同IT基础设施的系统，它能够让我们有效的打包不同的应用，运行在不同的IT系统上。尤其容器应用运行的方式可以进行自动的更新，这也是非常方便的，不用手动，你使用的应用总是最新的。这种容器应用的运行方式支持不同的运行环境，既可以在设备端运行，也可以在数据中心和公有云上运行，不同企业可以根据自己的商业模式选择合适的形式。
